Распознавание именованных сущностей в условиях малых выборок: определение, таксономия и направления исследований
Few-shot Named Entity Recognition: Definition, Taxonomy and Research Directions
2023-07-18
SCID: 54.1/vpy9t272
Discuss with AI
обучение в условиях малого числа примеровраспознавание именованных сущностей в условиях малого числа примеровграфы знанийязыки с низкими ресурсамимодельно-ориентированные и дата-ориентированные методы
Figures from the paper
Abstract (AI)
В последние годы наблюдается экспоненциальный рост числа научных публикаций в области обучения на малых выборках (+98% в 2022 году по сравнению с предыдущим годом), целью которого является обучение моделей машинного обучения на основе крайне ограниченного объема доступных данных. Соответственно, растет и интерес к системам распознавания именованных сущностей (Named Entity Recognition, NER), использующим обучение на малых выборках. Распознавание именованных сущностей заключается в выявлении упоминаний заранее определенных сущностей в неструктурированном тексте и служит фундаментальным этапом многих последующих задач, таких как построение графов знаний и ответы на вопросы. Потребность в системах NER, способных обучаться всего на нескольких размеченных примерах, особенно актуальна в областях, где аннотирование требует времени, знаний и высокой квалификации (например, в здравоохранении, финансах и юриспруденции), а также для языков с ограниченными ресурсами. В этом обзорном исследовании, начиная с четкого определения и описания задачи распознавания именованных сущностей в условиях малых выборок (few-shot NER, FS-NER), мы анализируем современное состояние исследований и предлагаем таксономию, разделяющую алгоритмы на две широкие категории в соответствии с лежащими в их основе механизмами: ориентированные на модель и ориентированные на данные. Для каждой категории мы выстраиваем работы в хронологическом порядке, чтобы показать, как область развивается в направлении новых исследовательских задач. Наконец, методы, ограничения и ключевые аспекты подробно анализируются для содействия дальнейшим исследованиям.
Key Findings
1
Предложенная таксономия классифицирует алгоритмы few-shot NER на модельно-ориентированные и ориентированные на данные подходы в зависимости от лежащих в их основе механизмов.
2
Few-shot NER решает задачу распознавания сущностей при крайне ограниченном объёме аннотированных данных, особенно в специализированных областях и малоресурсных языках.
3
В обзоре анализируются методы, ограничения и ключевые аспекты few-shot NER для поддержки дальнейших исследований.
4
В обзоре даются чёткое определение и описание задачи few-shot NER, а также анализируется её современное состояние.
5
Рассмотренные исследования систематизированы таким образом, чтобы показать развитие области в направлении новых исследовательских направлений.
Research Object
системы распознавания именованных сущностей в условиях малого числа примеров
Research Subject
определение, таксономия, современное состояние, методы, ограничения и направления исследований распознавания именованных сущностей в условиях малого числа примеров
Publication Details
Publication Date
2023-07-18
Journal
ACM Transactions on Intelligent Systems and Technology
Publisher
Association for Computing Machinery
ISSN
2157-6904
Cited by
41
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Труды 24-й Международной конференции по машинному обучению2007
Transformers: современное состояние обработки естественного языка2020
EDA: Простые методы аугментации данных для повышения качества задач классификации текста2019
Материалы конференции 2021 года по эмпирическим методам обработки естественного языка2021
Оценка больших языковых моделей, обученных на коде2021
Многозадачная идентификация сущностей, отношений и кореференции для построения научного графа знаний2018